Algoritmos de machine learning para la detección del fraude en el seguro de automóviles
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
<record>
<leader>00000cab a2200000 4500</leader>
<controlfield tag="001">MAP20210000744</controlfield>
<controlfield tag="003">MAP</controlfield>
<controlfield tag="005">20220911190324.0</controlfield>
<controlfield tag="008">210112e20201201esp|||p |0|||b|spa d</controlfield>
<datafield tag="040" ind1=" " ind2=" ">
<subfield code="a">MAP</subfield>
<subfield code="b">spa</subfield>
<subfield code="d">MAP</subfield>
</datafield>
<datafield tag="084" ind1=" " ind2=" ">
<subfield code="a">322</subfield>
</datafield>
<datafield tag="100" ind1=" " ind2=" ">
<subfield code="0">MAPA20210000317</subfield>
<subfield code="a">Badal Valero, Elena</subfield>
</datafield>
<datafield tag="245" ind1="1" ind2="0">
<subfield code="a">Algoritmos de machine learning para la detección del fraude en el seguro de automóviles</subfield>
<subfield code="c">Elena Badal Valero, Andrés Sanjuán Díaz, Jorge Segura Gisbert</subfield>
</datafield>
<datafield tag="520" ind1=" " ind2=" ">
<subfield code="a">El fraude en el seguro de automóvil ha aumentado considerablemente en los últimos años, indudablemente impulsado por la crisis económica. Este incremento significativo del número de reclamaciones fraudulentas, así como los nuevos requerimientos asociados con Solvencia II, conducen a un mayor control y asignación de recursos contra el fraude por parte de las aseguradoras. Por estas razones, la importancia del uso de avanzadas técnicas de predicción para la detección de accidentes sospechosos está más que justificada. En este artículo, se presentan diversas metodologías de base estadística y algoritmos de aprendizaje automático que permiten el análisis y la detección de tales afirmaciones.</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080553128</subfield>
<subfield code="a">Algoritmos</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20170005476</subfield>
<subfield code="a">Machine learning</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080591052</subfield>
<subfield code="a">Fraude en el seguro</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080603779</subfield>
<subfield code="a">Seguro de automóviles</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080567118</subfield>
<subfield code="a">Reclamaciones</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2=" ">
<subfield code="0">MAPA20080541064</subfield>
<subfield code="a">Fraude</subfield>
</datafield>
<datafield tag="700" ind1="1" ind2=" ">
<subfield code="0">MAPA20210000379</subfield>
<subfield code="a">Sanjuán Díaz, Andrés </subfield>
</datafield>
<datafield tag="700" ind1="1" ind2=" ">
<subfield code="0">MAPA20210000386</subfield>
<subfield code="a">Segura Gisbert, Jorge </subfield>
</datafield>
<datafield tag="773" ind1="0" ind2=" ">
<subfield code="w">MAP20070000012</subfield>
<subfield code="t">Anales del Instituto de Actuarios Españoles : Colegio Profesional</subfield>
<subfield code="d">Madrid : Instituto de Actuarios Españoles, 1943-</subfield>
<subfield code="g">01/12/2020 Número 26 4ª época - 2020 , p. 23-46</subfield>
</datafield>
<datafield tag="856" ind1=" " ind2=" ">
<subfield code="q">application/pdf</subfield>
<subfield code="w">1109292</subfield>
<subfield code="y">Recurso electrónico / Electronic resource</subfield>
</datafield>
</record>
</collection>